Сегодня про искусственный интеллект говорят очень много – складывается ощущение, что ИИ уже становится универсальным решением для любых задач: и в управлении бизнесом он поможет, и экспертов заменит… Но на деле, все гораздо прозаичнее и, одновременно, интереснее.
Если говорить о наукоемком производстве и R&D, ценность ИИ проявляется не там, где его «модно использовать», а там, где он действительно улучшает конкретные процессы и снижает влияние человеческого фактора. В нашей практике таким процессом стала калибровка рентгенофлуоресцентных анализаторов АРП-2Ц – мы используем AI и методы машинного обучения для улучшения и автоматизации этого процесса.
Работать в этом направлении мы начали в 2024 году, а до этого калибровка выполнялась в полуавтоматическом режиме. Это требовало высокой квалификации специалиста, большого опыта и аккуратной работы с данными. Очевидный минус такого подхода заключался в зависимости результата от конкретного человека.
Мы решили пойти другим путем и начали применять методы машинного обучения для автоматизации и повышения точности калибровки. Нейросеть в данном случае не «думает за инженера» и не принимает решений за человека. Она делает другое: анализирует массивы данных, выявляет устойчивые зависимости и помогает получить более стабильный и воспроизводимый результат. По факту:
- снижается зависимость от узкоспециализированного персонала на фабриках;
- повышается повторяемость и стабильность расчетов.
При этом мы используем ИИ ровно там, где он уместен – не для замены инженерного мышления, а для усиления инструментов, с которыми работает специалист. Это принципиальная разница.
Если посмотреть шире, сегодня все больше компаний используют ИИ именно в таких прикладных задачах: анализ данных, оптимизация процессов, повышение точности расчетов. Не для «волшебного роста», а для повышения эффективности уже существующих технологий.
В наукоемком производстве это особенно важно. Здесь нет быстрых решений и универсальных алгоритмов. Есть сложные физические процессы, ограничения оборудования и требования к метрологии. ИИ в этом контуре – это не цель, а инструмент. Мы находимся на этапе разработки и тестирования этой технологии. Нейросеть стоит на ряде предприятий уже достаточно большой промежуток времени и выполняет расчеты параллельно с основной программой. Наша задача - собрать статистику по разным предприятиям за продолжительный период времени.
Часто есть существенная польза от применения нейросети при составлении метрологических отчетов по предприятиям. Например, есть отклонения между результатами измерений поточного анализатора АРП-2Ц и данными контрольного опробования. В эти моменты нам помогают расчеты нейросети. Если классическая программа и нейросеть выдают аналогичные, близкие результаты, скорее всего, проблема не в калибровке, с ней все корректно, так как два независимых метода калибровки с низкой долей вероятности будут давать ошибочные данные. Но по аналогии бывает и так, что нейросеть показывает более точные результаты, что служит сигналом методистам поработать с калибровкой. То есть два независимых принципиально разных метода калибровки дают более широкие возможности для анализа.
Продукт еще не выведен на рынок, но уже сейчас понятно, что за этим подходом – будущее. Не потому, что «так делают все», а потому что он решает конкретную инженерную задачу и делает продукт устойчивее в эксплуатации.
И, пожалуй, это главный критерий, по которому стоит оценивать любые технологии, в том числе и искусственный интеллект.